Un algoritmo de optimización híbrido ayuda a detectar mensajes ocultos en imágenes digitales

Investigación en el Revista internacional de ciencias computacionales e ingeniería describe Un nuevo enfoque para detectar mensajes ocultos en imágenes digitales. El trabajo contribuye al campo del esteganálisis, que desempeña un papel clave en la ciberseguridad y la ciencia forense digital.

La esteganografía consiste en incorporar datos en un medio común, como palabras ocultas entre los bits y bytes de una imagen digital. La imagen no tiene un aspecto diferente cuando se muestra en una pantalla, pero alguien que sepa que hay un mensaje oculto puede extraerlo o mostrarlo. Dada la enorme cantidad de imágenes digitales que existen en la actualidad (y esa cantidad crece a un ritmo notable cada día), es difícil imaginar cómo un tercero, como las fuerzas del orden, podría encontrar esa información oculta.

De hecho, en cierto sentido se trata de una técnica de seguridad por oscuridad, pero aun así es una técnica poderosa. Existen usos legítimos de la esteganografía, por supuesto, pero quizás haya usos más nefastos, y la detección eficaz es importante para la aplicación de la ley y la seguridad.

Ankita Gupta, Rita Chhikara y Prabha Sharma de la Universidad NorthCap en Gurugram, India, han presentado un nuevo enfoque que mejora la precisión de la detección al tiempo que aborda los desafíos computacionales asociados con el procesamiento de las grandes cantidades de datos necesarias.

El esteganálisis implica identificar si una imagen contiene datos ocultos. Por lo general, se utiliza el modelo espacialmente rico (SRM) para detectar esos mensajes ocultos. Analiza la imagen para identificar pequeños cambios en la huella digital que estarían presentes debido a la adición de datos ocultos. Sin embargo, el SRM es complejo, tiene una gran cantidad de características y puede sobrecargar los algoritmos de detección, lo que reduce la eficacia. Este problema se conoce a menudo como la «maldición de la dimensionalidad».

El equipo ha recurrido a un algoritmo de optimización híbrido llamado DEHHPSO, que combina tres algoritmos: el Optimizador de halcones de Harris (HHO), la Optimización de enjambre de partículas (PSO) y la Evolución diferencial (DE). Cada uno de estos algoritmos se inspiró en procesos naturales. Por ejemplo, el algoritmo HHO simula el comportamiento de caza de los halcones de Harris y equilibra la exploración del entorno con la búsqueda de soluciones óptimas. El equipo explica que al combinar HHO, PSO y DE, pueden trabajar con conjuntos de características complejos mucho más rápido de lo que es posible con un único algoritmo actual, por sofisticado que sea.

El enfoque híbrido reduce la demanda computacional al eliminar más del 94% de las características que de otro modo tendrían que procesarse. La información eliminada se puede procesar luego con un clasificador de máquina de vectores de soporte (SVM). El equipo dice que este método funciona mejor que los metaheurísticos (esencialmente métodos de prueba y error) e incluso mejor que varios métodos de aprendizaje profundo, que generalmente se utilizan para resolver problemas más complejos que el estegoanálisis.